Tous les articles
Agents IAPMEStratégie

Projets d'agents IA : pourquoi 40 % seront abandonnés

7 min de lectureCyril Kempkens
Tableau de bord illustrant l'échec et la réussite des projets d'agents IA en PME

Quarante pour cent des projets d'agents IA seront annulés d'ici fin 2027. Ce n'est pas une punchline de vendeur — c'est Gartner, en juin 2025. Si on vous propose un agent IA cette semaine, vous avez donc une chance sur deux de jeter l'argent par la fenêtre. La nuance qui change tout : les causes d'échec sont connues, documentées, et largement évitables.

L'essentiel : les projets d'agents IA n'échouent presque jamais à cause de la technologie. Ils échouent parce que le problème est mal défini, les données ne sont pas prêtes, le retour sur investissement n'est jamais mesuré, et l'ambition est démesurée. Une PME qui démarre par un seul cas d'usage précis, mesuré, branché sur ses outils existants rejoint les 5 % d'entreprises qui en tirent une vraie valeur.

Un agent IA, c'est un logiciel qui comprend une demande, décide des étapes et les exécute dans vos outils — il agit, il ne se contente pas de répondre. Cette promesse est réelle. Le taux d'échec aussi.

Les projets d'IA échouent-ils vraiment autant qu'on le dit ?

Oui, et les chiffres viennent de sources sérieuses, pas de blogs alarmistes. Quatre études récentes pointent le même mur.

Source Constat Date
Gartner Plus de 40 % des projets d'agents IA seront annulés d'ici fin 2027 Juin 2025
MIT (projet NANDA) 95 % des organisations n'obtiennent aucun retour sur la GenAI Juillet 2025
S&P Global 42 % des entreprises abandonnent la majorité de leurs projets IA (contre 17 % un an plus tôt) Mars 2025
RAND Plus de 80 % des projets IA échouent, soit environ le double des projets informatiques classiques Août 2024

Le plus parlant n'est pas le pourcentage. C'est l'entonnoir. Dans son rapport The GenAI Divide, le MIT décrit le parcours type : 60 % des organisations évaluent un outil d'IA, 20 % lancent un pilote, et seulement 5 % atteignent la production. Entre la démo qui impressionne et l'outil qui tourne tous les jours, il y a un gouffre. La plupart des projets tombent dedans.

Et attention au comptage : selon Gartner, beaucoup de ces « projets » sont en réalité des expérimentations poussées par le buzz, qui masquent le coût et la complexité réels d'un passage à l'échelle.

Pourquoi les projets d'agents IA échouent-ils ?

Parce que l'erreur est presque toujours en amont du code. La RAND Corporation, après des dizaines d'entretiens, isole cinq causes racines. Les voici, dans l'ordre où je les rencontre sur le terrain :

  1. Le problème est mal compris ou mal communiqué. On lance « un projet IA » sans savoir quelle douleur précise il soigne.
  2. Les données ne suivent pas. Éparpillées, sales, incomplètes : un agent ne fait pas de miracle sur des données qu'aucun humain ne maîtrise.
  3. On court après l'outil, pas le besoin. Le dernier modèle à la mode devient l'objectif. Le métier passe au second plan.
  4. L'infrastructure ne tient pas. Brancher une démo, c'est facile. La faire vivre dans un environnement réel, beaucoup moins.
  5. On vise trop haut. On confie à l'IA un problème qu'elle ne sait pas encore résoudre seule.

À ça s'ajoute la sur-ambition, ce fameux « mettons de l'IA partout ». Le MIT relève d'ailleurs un biais d'investissement révélateur : les budgets filent vers les fonctions visibles, ventes et marketing, alors que le meilleur retour se cache souvent dans le back-office ingrat — relances, saisie, reporting.

Gartner résume la cause profonde sans détour : les modèles actuels n'ont pas encore la maturité pour atteindre seuls des objectifs complexes ou suivre des instructions nuancées dans la durée. Traduction : un agent livré à lui-même, sans cadre ni humain dans la boucle, déçoit.

L'agent washing : payez-vous un vrai agent ou un chatbot rebadgé ?

Souvent, un chatbot rebadgé. L'agent washing, c'est l'habillage marketing qui transforme un vieux robot en « agent IA ». Définition simple : on rebaptise un chatbot, un assistant ou un automate RPA existant en « agent », sans qu'il en ait les capacités réelles.

L'ampleur est concrète. Gartner estime qu'environ 130 fournisseurs seulement, sur les milliers qui se réclament de l'IA agentique, proposent de vrais agents. Le reste vend du vocabulaire.

Pour une PME, le test tient en une question à poser au vendeur : « Qu'est-ce que votre outil décide et exécute tout seul, concrètement, sans que je clique ? » Si la réponse patine, vous avez devant vous un chatbot avec un nouveau nom. Et un budget en danger.

Comment réussir un projet d'agents IA dans une PME ?

En faisant l'inverse de ce qui fait échouer les autres. Les leviers ne sont pas secrets — ils sont juste rarement appliqués.

  1. Un seul cas d'usage, choisi pour la douleur qu'il soigne. La tâche qui vous coûte le plus d'heures chaque semaine. Pas dix chantiers en parallèle.
  2. Mesurez avant de brancher. Combien de temps cette tâche prend-elle aujourd'hui ? Sans ce point de départ, vous ne saurez jamais si l'agent a gagné quoi que ce soit. Le MIT est clair : les acheteurs qui réussissent jugent les outils sur des résultats métier, pas sur des benchmarks logiciels.
  3. Branchez l'agent sur l'existant. Votre boîte mail, votre CRM, vos tableurs, votre facturation. On ajoute de l'intelligence là où vivent vos données — on ne remplace pas tout. C'est exactement le rôle que je donne à l'agent IA intégré directement dans votre application.
  4. Gardez un humain dans la boucle. L'agent prépare, vous validez. C'est ce qui transforme un gadget risqué en outil de confiance.
  5. Repensez le geste, pas seulement l'outil. McKinsey a mesuré en 2025 que la refonte des processus de travail est, de loin, ce qui pèse le plus sur le retour de la GenAI — devant la techno elle-même.

Je l'ai vu de près. Un indépendant me contacte, convaincu qu'il lui faut « un agent qui gère tout ». On creuse une demi-heure. Le vrai problème ? Il passait ses lundis matin à recopier des données d'un outil vers un autre. Pas besoin d'un agent autonome tentaculaire : un automatisme ciblé a réglé ça, et il a récupéré sa matinée. Le projet ambitieux qu'on lui avait vendu ailleurs, lui, aurait fini dans les 40 % de Gartner. C'est la même approche que j'applique pour les PME et indépendants de la région de Namur : on part d'un problème réel, on livre l'outil qui le règle, on mesure.

Faut-il construire son agent en interne ou passer par un prestataire ?

Pour une PME sans équipe data, passer par un prestataire ciblé est presque toujours plus sûr. Le chiffre est net : selon le MIT, les partenariats externes réussissent deux fois plus souvent que les projets construits en interne.

La raison est logique. Construire en interne suppose des compétences rares, du temps, et une tolérance à l'échec que peu de petites structures peuvent s'offrir. Un prestataire qui a déjà livré ce type d'outil arrive avec les patterns qui marchent — et surtout, avec l'honnêteté de vous dire quand l'IA n'est pas la réponse.

C'est la logique derrière AvisFlash, l'application que j'ai construite pour répondre aux avis clients : un cas d'usage unique, mesurable, qui tourne en production — pas une promesse de plateforme universelle. La différence entre les 5 % et les 95 %, elle est là, dans le périmètre.

La prochaine étape, concrète

Prenez cinq minutes cette semaine. Listez les tâches répétitives qui vous coûtent le plus de temps, et entourez celle que vous repoussez le plus souvent. C'est votre candidat. Pas « l'IA ». Une tâche.

Ensuite, décrivez-moi ce cas d'usage. Je vous dirai franchement si un agent IA est pertinent, ce que ça impliquerait, et — le cas échéant — pourquoi il vaut mieux s'abstenir. C'est le genre de réponse cash que je donne chez Nebullia, quitte à vous faire économiser un projet voué aux 40 %.

Sources

Questions fréquentes

Quel pourcentage de projets d'agents IA échouent vraiment ?

Gartner prévoit que plus de 40 % des projets d'agents IA seront annulés d'ici fin 2027, à cause de coûts qui dérapent, d'une valeur métier floue ou de contrôles de risque insuffisants. Côté IA générative, le MIT estime que 95 % des organisations n'obtiennent aucun retour mesurable sur leurs pilotes. Ces chiffres ne disent pas que l'IA ne marche pas — ils disent qu'elle est mal cadrée la plupart du temps.

Pourquoi mon projet d'IA risque-t-il d'échouer ?

Dans l'immense majorité des cas, ce n'est pas la technologie qui lâche. RAND identifie cinq causes racines : un problème mal compris ou mal communiqué, un manque de données exploitables, une fixation sur l'outil plutôt que sur le besoin, une infrastructure inadaptée, et l'application de l'IA à un problème trop difficile pour elle. La sur-ambition (« mettre de l'IA partout ») aggrave tout le reste.

C'est quoi l'agent washing ?

L'agent washing consiste à rebadger un produit existant — un chatbot, un assistant ou un robot RPA — en « agent IA » sans qu'il en ait réellement les capacités. Gartner estime qu'environ 130 fournisseurs seulement, sur les milliers qui se revendiquent agentiques, proposent de vrais agents. Avant d'acheter, demandez ce que l'outil décide et exécute seul, concrètement.

Vaut-il mieux construire son agent IA en interne ou passer par un prestataire ?

Le MIT observe que les partenariats externes réussissent deux fois plus souvent que les projets construits en interne. Pour une PME sans équipe data dédiée, un prestataire qui livre un cas d'usage ciblé et mesurable est généralement la voie la plus rapide vers un résultat — à condition qu'il branche l'agent sur vos outils existants au lieu de tout réinventer.

Par quoi commencer pour réussir un premier projet d'agent IA ?

Par une seule tâche répétitive et chronophage, dont vous mesurez déjà le temps qu'elle vous coûte. Vous branchez un agent dessus, vous comparez avant/après sur un résultat métier réel (heures gagnées, délai réduit), et vous gardez un humain dans la boucle pour valider. Un cas d'usage qui marche en ouvre dix autres ; une usine à gaz n'en ouvre aucun.